Agent Skills：给 Agent 打包技能——Anthropic 推出的开放标准

前面几篇一直在聊 Agent——LangGraph 讲编排、create_agent 讲入口、MCP 讲怎么接外部世界。这篇讲的是另一个关键问题：Agent 的"专业技能"从哪来？怎么打包、怎么复用、怎么跨工具共享？Agent Skills 是 Anthropic 提出的一个轻量开源格式，正在成为整个 Agent 生态的事实标准——截至现在，从 Claude Code、ChatGPT/Codex、Cursor 到 VS Code、GitHub Copilot，几十个主流工具全部支持。

一、它是什么：一个装技能的文件夹

Agent Skills 是一个"轻量、开放的格式，用专门的知识和工作流扩展 AI Agent 的能力"。核心定义极其简单——一个技能就是一个文件夹，里面有一个 SKILL.md 文件：

my-skill/
├── SKILL.md          # 必需:元数据 + 指令
├── scripts/          # 可选:可执行代码
├── references/       # 可选:参考文档
├── assets/           # 可选:模板、资源
└── ...               # 任意其他文件或目录

SKILL.md 的头部是 YAML frontmatter（元数据），后面是 Markdown 正文（指令）。最精简的技能只有两行：

---
name: skill-name
description: A description of what this skill does and when to use it.
---

为什么这么简单就够了？因为 SKILL.md 本质上就是"告诉 Agent 怎么完成一个特定任务"的说明书，而 scripts / references / assets 三个可选目录分别装代码、文档和模板。一个技能 = 一个文件夹，版本管理、分发、复用都变成了文件操作。

二、为什么需要它：Agent 不缺能力，缺"上下文"

Agent Skills 官方主页给了一个很准确的判断：

Agent 越来越能干，但往往没有可靠完成真实工作所需的上下文。

Skills 解决的就是这个"上下文"问题——把程序性知识（怎么做一件事的步骤）和公司、团队、个人专属上下文，打包成可移植、可版本控制的文件夹，让 Agent 按需加载。具体带来三样东西：

领域专长——把专门知识（从法律审查流程到数据分析管线再到 PPT 格式规范）变成可复用的指令和资源；
可复现的工作流——把多步骤任务变成一致、可审计的流程；
跨产品复用——写一次技能，在任何兼容的 Agent 里都能用。

第三点尤其重要。想想之前写的ECC（284 个技能）和Superpowers（十几个技能）—— 它们都在给 Agent"装技能"，但各自是各自的格式。Agent Skills 的价值在于：它把"技能"本身变成了一个标准，让整个生态共用同一套技能。

三、怎么工作：渐进式加载（Progressive Disclosure）

Agent Skills 最巧妙的设计是渐进式加载——Agent 分三个阶段加载技能，只在需要时才把完整指令读进上下文：

发现（Discovery）：启动时，Agent 只加载每个技能的 name 和 description（约 100 tokens），只够判断"什么时候可能用得上"；
激活（Activation）：当任务匹配某个技能的描述时，Agent 才把完整的 SKILL.md 指令读进上下文；
执行（Execution）：Agent 按指令执行，必要时才运行打包的代码或读取引用的文件。

规格文档给的参考数字很直观：

阶段	加载内容	大小参考
元数据	name + description	约 100 tokens
指令	完整的 SKILL.md 正文	建议 < 5000 tokens
资源	scripts / references / assets 里的文件	按需加载

这就是"Agent 可以常备很多技能，却只占很小的上下文"的原因—— 大部分技能平时只是一个名字 + 一句话描述，真正被调用时才展开。规格文档还建议：主 SKILL.md 控制在 500 行以内，详细参考材料放到独立文件里，用相对路径引用、保持一层深度，避免嵌套引用链。

四、规格细节：字段约束与命名规范

SKILL.md 的 frontmatter 字段不多，但每个都有明确约束：

字段	必需	约束
`name`	✔	1-64 字符，仅小写字母、数字、连字符，不能以连字符开头/结尾、不能连续连字符，必须与父目录名一致
`description`	✔	1-1024 字符，描述"做什么 + 什么时候用"，应包含帮 Agent 识别任务的特定关键词
`license`	—	许可证名或捆绑许可证文件的引用，保持简短
`compatibility`	—	1-500 字符，指明环境要求（目标产品、系统包、网络访问等），大多数技能不需要
`metadata`	—	任意字符串键值对，建议键名足够唯一避免冲突
`allowed-tools`	—	预批准工具列表（实验性），如 `Bash(git:*) Read`

几个值得注意的设计细节：

name 必须等于父目录名——强制了"一个目录一个技能"的组织方式，也避免了歧义；
description 是"激活判定"的关键——因为它决定 Agent 什么时候读完整指令，规格文档特意对比了好/坏例子："Extracts text and tables from PDF files... Use when working with PDF documents..."就好过干巴巴的 "Helps with PDFs."；
compatibility 是"能力声明"——写清楚"需要 git、docker、jq、能联网"，让 Agent 别在缺环境时硬上；
allowed-tools 目前是实验性——预批准工具的白名单，支持程度因实现而异。

官方还提供了校验工具 skills-ref，一条命令检查 frontmatter 是否合法、命名是否合规：

skills-ref validate ./my-skill

五、生态：一个正在形成的"通用技能标准"

Agent Skills 最初由 Anthropic 开发，以开放标准发布，现在被一大批产品采用。agentskills.io 首页列出了一个很长的兼容清单—— 摘几个代表性选手：Claude Code、Claude、ChatGPT/Codex、Cursor、VS Code、GitHub Copilot、 Gemini CLI、OpenCode、OpenHands、Goose、JetBrains Junie、Tabnine、Mistral Vibe…… 涵盖主流 AI 助手、IDE、终端编码代理，甚至还有 Spring AI 这样的框架和 Laravel Boost 这样的框架级技能包。

这组名单本身就说明了一件事：当巨头们（Anthropic、OpenAI、Google、微软、JetBrains）都采用同一个技能格式时，它就不再是某个产品的功能，而是一个基础设施。就像 MCP 统一了"Agent 连接外部系统"的接口一样， Agent Skills 正在统一"Agent 装载专业技能"的格式。两者互补：MCP 管"插什么"，Agent Skills 管"会什么"。

我的收获

"一个技能 = 一个文件夹"的极简主义值得抄——没有复杂的包格式、没有注册中心，就是一个 SKILL.md 加几个可选目录。极简到几乎无法拒绝，这恰恰是它能被全生态接受的原因。
渐进式加载是"技能体系"能成立的关键——如果每个技能都全文进上下文，Agent 根本装不了几个。先用元数据做索引、需要时再展开，这个思路和 RAG 的"先检索再精读"殊途同归，都是上下文经济的产物。
"description 决定激活"这个设计点很妙——技能能否被用上，取决于描述写得好不好。这等于把"元数据质量"上升成了技能的第一生产力，也给所有写技能的人立了个规矩：把"什么时候用"写清楚。
生态标准化正在发生，而且比想象中快——上次写 MCP 时它已是事实标准，这次 Agent Skills 又给了第二个例子：Anthropic 提出的开放标准，正被整个行业采纳为公共基础设施。对做个人 IP 和 Agent 开发的人来说，现在学习这两种格式，就是押注明天的基础设施。

想深入了解，官方站点在agentskills.io，完整规格看 specification， GitHub 讨论在 github.com/agentskills/agentskills。上一站是 MCP，这一站是 Agent Skills——把"接什么"和"会什么"都标准化之后，下一步就是真正跨工具、跨厂商的 Agent 生态了。